大模型研发是个小工种
------给 AI 时代找工作的同学一些建议
作者 ：7七月 逻辑帧|CTO 来源：公众号【林间有风】
前几天，有位同学在提问区问我后续学习和求职方向。
他自学过机器学习、图像识别、自然语言处理，研究过 Transformer 架构和源码，还训练过一个小模型。后来又接触了 LangChain、LangGraph、RAG、A2A、记忆、Skills 和 MCP。在公司里，他也做过几个真实项目：简历转换、简历检索、AI 爬虫、法规检索与分析。
按理说，已经学了不少，也真正做过东西，应该更有底气才对。但他还是担心两件事：学历不够好，算法岗可能进不去；也很犹豫算法、微调、LoRA 这些要不要继续深入学。
这种困惑很常见。学得越多，招聘网站上的每一个新名词就越像一张催命符，让自己诚惶诚恐，心里一点底气都没有。
我也经常接到一些企业咨询，所以知道一些实际情况。今天总结、补充一下，分享给各位同学，希望对大家有些帮助。
01 · ATTITUDE
找工作要死皮赖脸，要有那种无所谓的轻浮
第一条建议，不是技术上的。而是气势上的。很多同学在找工作的时候畏首畏尾，觉得自己这也不行，那也不够资格，面试笔试结结巴巴，毫无自信。
我觉得这一点影响的不只是一次面试的结果，对自己的一生都会有很大的影响。你要相信，这世界有时候还真都是草台班子。面试造核弹，进去了打螺丝，是企业常态。
我十几年前看吴晓波的《激荡三十年》，给我最大的启示就是：人想成功，你得首先"死皮赖脸"（我认为在某些场景下，这是褒义词），不要管别人说什么，你自己不要虚。
这是一种对待人生的态度，无非就是找工作，你怕什么。不要那么实诚，学会包装自己。被识破了，就哈哈一笑，换下一家。
02 · AUTHORITY
权威：AI 时代消灭了绝大多数技术权威
以前在传统时代，你一听谁谁谁是 BAT 的就肃然起敬，什么千亿规模的产品、高并发系统、分布式系统，一听就很牛逼。
那个时代，没有实用性的 AI，人与人之间是有技术壁垒的。但现在不一样了。你身后站着一个掌握了人类几十年互联网发展几乎所有知识技术的超级 Agent，24 小时为你服务。
于是这个技术壁垒打破了，大多数的技术权威消失了，你们处于同一水平线上，只是你自己不相信。
但你可能会认为，有些人还是比你强。是，比如 Karpathy。但这个强，并不是强在技术上。在纯粹的技术上，你已经可以和绝大多数人拉平了。那些真正和你拉开差距的人，其实是强在性格、认知和综合能力上，而绝非技术本身。
在 AI 时代要学一门技术很容易，但持续提升认知和素养依然很困难。我唯一想到的提升方式已经说过很多次：读书、持续输出（不能只输入）、追求实用。
03 · CAREER
就业：大模型研发和 Agent 开发，是两条不同的路
我发现即使进入了 AI 时代，有些问题的性质还是一点都没改变。
以前我被咨询最多的问题是：我要不要学算法。现在我被咨询最多的问题是：我需不需要深入学习机器学习、LoRA、Transformer。
这个问题好回答也不好回答。很多人没搞清楚现在的方向主要分为大模型方向 和Agent 开发方向，这两条路线的需求差距很大。
大模型研发主要面对模型本身。你要研究训练方法、数据质量、分布式训练和模型评估。数学基础、论文能力、训练经验，甚至学历背景，都会影响进入这个领域的机会。
Agent 应用开发面对的是另一类问题：怎样利用已有模型，解决一个企业里的真实需求。你别管 Agent 各种花里胡哨的名词：Harness、RAG、知识图谱、FDE，它们的目的都是解决企业的问题，提高效率、降低成本。
比如，一家公司要把几万份数据报表、历史记录转成统一格式。难点未必是模型不够强，而是原始文件五花八门，字段没有标准，转换结果还要能审核、能追溯、能接进现有系统。模型只是其中一环。前面要处理脏数据，后面要处理权限、成本、异常、人工确认和系统集成。
简单来说，Agent 开发需要的是工程能力，而不需要数学基础、模型训练经验、机器学习。
你得先搞清楚这两个不同的方向。
04 · POSITION
很多人的问题不是技术，而是对自己没有清晰的定位
去年和一个体制内的同学吃饭，他所在的单位很好，绝对的金饭碗。我们聊到了考编的问题。我问他，你们每年考进去的都是什么学历、什么学校的，985、211、博士？
他笑了笑：我们每年进编最多的是二本、三本的（我们那个年代，大学还分二本、三本，现在不分了），大概就是以前武汉 7 所一本之外的一些学校，甚至是民办学院。
我很惊讶，问：为什么？他给出的理由很简单：这些新进编的人目的性非常强，在上大学的第一年就明确了自己要考编，考哪个方向、哪个单位，都想得很清楚。大学一年级就开始备考，大学毕业就参加国考、省考。
我想了想，这些人未必就比其他人聪明，但他们胜在能认清楚自己，对自己有一个清晰的定位。
举这个例子，其实是想说明，大模型研发这个方向是个小工种，根本不需要那么多人。 对于学历和背景要求之高可想而知。我个人认为没有名校背景，博士学历，很难。你要冲这个方向，你得掂量下自己。
很多人喜欢抬杠：他认识的某某，本科学历，双非背景，人家也在某某公司做大模型研发，年薪多少多少。先不说这事儿是不是真的，就算是真的，这也不是普遍现象。时代、机遇、运气，多种不确定因素交织在一起，可能在几十万人里造就一个奇迹。
这就类似我经常说：读书、受教育是普通人最划算、成本最低的生存之路。总有人给我抬杠，村里的谁谁谁，小学毕业人家现在大老板年赚多少亿。照这个逻辑，我得马上去把所有身家拿去买彩票。反正总有人中几千万，我也该赌一把。
大模型研发薪资确实高，但你适不适合，自己掂量下。我欣赏两类人，也不喜欢一类人：
- 一类是有才气、轻狂、潇洒的人；
- 另一类是认清自己能力一般，踏实工作、赚辛苦钱的人；
- 但我最不喜欢能力普通，又想要很多，结果搞得自己不上不下、怨天尤人的人。
05 · PRACTICE
求实、求真，实践是第一生产力
企业的 Agent 转型需求非常大。它不像企业里那些乱七八糟、用来装 x 的新名词。Agent 化几乎可以 100% 肯定是未来的发展方向，是蓝海中的蓝海。
所以我给同学们的建议是：求实、求真，以解决问题为第一目的。 Transformer、监督学习、微调、LangChain、LangGraph 这些暂时放放，了解即可（不能不知道，一定要理解）。
把大量的精力放在怎么给企业降本增效上，在实际的业务中学习。我举两个例子。
第一个问题：CMS 功能 CLI 化。
逻辑帧的前台功能不多，但是后台功能极其复杂，包括财务、订单、资料、教材、视频、评论、答疑、通知等功能，而且这个后台多是多租户的，有不同的作者需要看不同的视图，权限控制也非常复杂。
现在我们用的 LinCMS 那一套，这没有问题。但是非常不方便。因为我需要打开 CMS、登录、单击嵌套了无数层的菜单，找到节点上传选择资料。效率极其低下。
所以我们现在在把所有的 CMS 功能都 CLI 化接入 Hermes 中。如果我想知道什么数据，我只需要告诉 Hermes：
帮我看看今天的效率；帮我发布今天的课程更新说明；帮我修改 xx 章 xx 节的 xx 错误，并重新发布；
效率的提升是几何倍数的。Hermes 就是我的超级个人助理，我只需要和它交互。这就是一个很典型的 Agent 化需求。它并不简单，需要控制权限，也需要多级审核，因为 Agent 会犯错。
第二个问题：自动化运维。
以前有问题需要人工排查，人工修复，人工部署运行。我们现在也在逐步尝试在生产环境用 Hermes 来运维。
这两个例子都是我们工作中需要解决的问题，刚好可以用来提升对 Agent 的理解。我始终认为，工程化能力只能在实践中提升。 你看再多机器学习、Transformer、算法都没用。
∞ · THE END
总结
别再把 AI 行业想象成只有模型研究员才能进入。这个行业的门其实很宽，离你也不远，但是你要找准方向：你能为别人、为企业解决什么实实在在的问题，而不是成天在那里研究监督微调、机器学习、Transformer。
我向来是一个实用主义者。我认为人生没有时间去钻研一些自己用不上的东西：
遇到问题 → 解决问题 → 抽象这些问题 → 内化成自己的知识
这条路径更适合大多数普通人。
生活可以理想化、文学化，但是工作咱还是追求功利、实用。这是我的建议。